米SNP-BST:一种深度学习框架,用于预测米中的生物压力相关SNP

科学领域:

• 基因组学就是基因组学.
• 植物科学 植物科学
• 生物信息学是一种生物信息学.

背景情况:

• 面临着重要的生物压力,需要识别遗传性耐药性.
• 准确和快速识别单核酸多态 (SNP) 对于开发抗病米品种至关重要.
• 在历史上,有限的高质量大米基因型数据阻碍了SNP研究.

研究的目的:

• 开发一个先进的计算框架来预测与水生物应激特征相关的SNP (BST相关的SNP).
• 提高识别与大米生物应激抵抗相关的遗传变异的准确性和效率.
• 为了提高SNP预测模型在米中的生物解释性.

主要方法:

• 开发了RiceSNP-BST,这是一个自动架构搜索框架,集成了SNP预测的多维特征.
• 利用卷积神经网络从DNA序列中提取结构和局部特征.
• 采用因果推理和从DNA序列中提取特征来提高模型解释性.

主要成果:

• 与最先进的方法相比,RiceSNP-BST在预测BST相关的SNP方面表现出更高的精度.
• 该模型在独立测试集和跨物种数据集上显示出强大的性能.
• 提取的特征和因果推理增强了SNP预测的生物解释性.

结论:

• 米SNP-BST提供了一种强大而精确的方法,用于预测与生物应激抵抗相关的米SNP.
• 该框架推进了大米的基因组预测,并支持改进作物品种的开发.
• 为RiceSNP-BST提供了一个用户友好的Web服务器,以促进更广泛的基因组研究.